摘要：近年来，我国科学技术不断进步，信息技术得到很大发展，在此基础上，大数据技术也取得了一定的成绩，并广泛运用于各个领域。随着电力行业的发展，电力规模不断扩大，相应的信息采集需求也逐渐增多，这就需要运用大数据技术，提升信息采集效率，并对信息采集系统进行维护。本文笔者结合自身工作实践，分析了用电信息采集系统运维过程中存在的问题，讨论了大数据分析模型，简要介绍了泛在电力物联网技术，并提出了一些优化建议，以期为相关研究提供参考。
关键词：用电信息采集； 运维业务；大数据分析技术
近年来，国内电力行业发展迅速，在信息采集方面得到了长足的发展，具有关数据显示，到目前为止，数据采集终端达到1500万台，用户使用的智能电表达到5亿个，这些设备的普及，为用电信息数据采集提供了物质基础。同时，这些庞大的设备，也需要较高的设备维护技术，有较完整的运维体系。目前，我国采集运维方面还有着不足，运维效率不够高，故障处理层级划分不明确，设备多，分布广，故障较为复杂，对故障的处理相对困难。
1 用电信息采集系统运维存在的问题
1.1 运维效率低
目前，我国电力规模庞大，电力网分布广，电力设备数量众多，电力运行中出现异常情况也非常多，具有关资料显示，电力企业平均每天的电力运行异常数量高达1万个，工作量极大，企业现有的运维作业人员相对不足，不能及时处理这些异常问题，达不到用电采集系统运维的要求。另外，在异常处理过程中，没有良好的故障处理层级，不能很好地确定故障处理的优先级，使得紧急故障得不到及时处理，大大降低了采集系统的运维效率[1]。
1.2 不能精确的判断故障发生地点
电力信息采集系统中，设备种类多，需要运维的对象种类繁复，使得故障种类十分复杂。具有关资料显示，设备运行出现的异常情况多大59种，不同异常情况产生的原因多大100种，使得故障检查复杂，工程量大，更加难以对故障进行定位确定，故障处理技术有待提高。
1.3 考核制度不够完善
目前的信息采集运维中，考核评价体系不够完善。在故障处理时，通常是在线上查询，然后安排工作人员线下故障排除，故障信息的查询不够精确，不能很好的评估现场的运维工作和故障排除工作，进而缺乏作业考核标准，不能形成全面的绩效考评。
2 大数据的应用分析
为解决信息采集系统运维中存在的不足，提高系统运维效率，需要引入大数据分析技术，构建大数据分析模型。
通常情况下，大数据主要涉及到数据的收集、数据的筛选、数据的存放、数据的处理、数据的分析等，大数据技术包含多维分析技术和有关系型联机分析处理技术，将其运用于电力信息采集系统中，可以大幅度提高采集系统的运行效率。多维联机分析技术是运用特有的多维结构，实现数据存储，他是OLAP的显示方法，其基础是多维结构。在这一技术运用过程中，需要结合操作平台计算数据文件大小，若超出了平台极限，就会造成数据爆炸。另外，这一技术在运用过程中，数据模型标准相对欠缺，其查询相应速度非常快，远远超出其他OLAP技术。关系型联机分析处理技术是以关系型数据库为基础的，运用关系结构实现多为数据的存储，并对这些数据进行分析。运用这中技术来处理数据，占用的存储空间非常小，维度数没有上限，和其他技术相比，数据装载速度非常快[2]。
3采集运维技术和泛在电力物联网之间关系
泛在电力物联网，就是围绕电力系统各环节，充分应用充分应用“大云物移智”(大数据、云计算、物联网、移动互联网、人工智能)等现代信息技术和先进通信技术，实现电力系统各环节万物互联、人机交互，具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。从架构上来看，泛在电力物联网包含感知层、网络层、平台层、应用层4层结构。
期刊文章分类查询,尽在期刊图书馆
感知层设备既包括电力采集类的电表、互感器、集中器等，也包括电力二次设备涉及的各类终端，在未来泛在电力物联网领域还将包括温度、湿度、烟雾等非电类感知设备。在网络刚包括网关、专网、广域网、数据中心等传输层设备。
电力中的采集运维技术，主要是通过电路中的电气设备，收集各设备及电路中电力运行数据，并对这些数据进行分析，作出一定的逻辑判断，帮助人们对电力进行维护。泛在电力物联网中的感知层，能够高效的收集电力网中的数据，将这以技术运用于电力采集运维中，能够极大的推动采集运维技术的发展，为人们的生活带来方便。
4大数据系统的采集运维业务优化
4.1 任务派发智能化
引入大数据技术之前，人工派发异常处理工单，而运维工作人员对异常处理工单的信息掌握不够精确，不能判断故障的紧急情况，不能合理调整故障处理顺序，使得部分紧急故障得不到及时处理，扩大了故障造成的损失。大数据技术的应用，可以对数据进行全面的分析，判断各故障的严重性和紧急性，制定处理的故障的先后顺序，提高故障处理质量和效率，这里对大数据模型做了简要介绍。
某一个电表的效用值，其影响因素主要有该表用户的月平均用电量、距离下一次抄表还剩的天数、出现异常情况的持续时间。工单的故障电表效益总和就是总体的工单效用，他能够反应出故障电表数量，效用值公式可以表示为Y 效用值 =Σf(xi)，公式中的Y为效用值，即整个采集运维系统的效用值看，公式中的f(xi)表示第i个电能表的异常采集运维效用值。
在对采集异常运维数据的分析和处理中主要是对月平均用电量、异常持续时间和离下一抄表天数的分析，其中月平均用电量仅仅将使用电量作为效用值时，最后计算的数值较大，将标准月用电量引入到整体模型中去作为最后的数值单位，标准用电量是在随机抽取大部分用户实际用电量，并统计出各类用户月平均用电量，根据最多类型的用户平均用电量作为标准用电量。异常持续时间就是电表连续出现故障的天数，电表出现一天故障，就会产生一天的电量监控损失，把这一损失累加记录下来，就可以获得总电量监控损失。距离下一抄表天数的分析，若这个距离天数值越小，说明这一用户有很大的几率出现监控损失电量，故障的维修越紧迫，维修的优先级别越高；当这个距离天数越大，则说明这一用户故障维修紧急程度较低，优先级别也越低[3]。
4.2 任务处理智能化
在运用大数据技术之前，用电信息采集业务中，数据缺乏全面分析，运维管理人员不能获取精确的故障信息，对故障的分析不够准确，故障范围较大，需要运维人员到现场进行排除，运维效率低下。引入大数据技术之后，这一技术可以对收集到的数据进行全面分析，迅速判断异常情况，得出精确的故障信息，运维人员在故障处理时，减少了故障的排查时间，提高了运维效率。系统中收集到的异常工单，可以从故障设备类型、故障设备的厂家等方面入手，分析异常发生概率，进而找出产生异常情况的原因，实现异常工单处理智能化[4]。
结束语
将大数据技术运用于电力信息采集运维中，可以大幅度提高数据的利用率，对数据进行分析处理，挖掘数据中的价值，实现异常工单处理智能化，减少了大量工作量。另外，他还可以建立故障优先级，对紧急故障进行优先处理，减少了经济损失，提高了异常处理的质量，提升系统运维效率。
参考文献
[1] 万方达.容量评估管理方式探索——数据分析在信息技术运维领域的应用[J].金融电子化,2015(11):70-72.
[2] 刘光榕.数据仓库及OLAP技术在电信业务分析中的应用探讨[J].电脑编程技巧与维护2014(4):32-35.
[3]季文天,郭清菊,马杰.基于模型驱动的框架技术在数据采集平台中的分析与应用[J].软件,2014,35(3):121-124.
[4]李益文.湖南烟草商业系统基于大数据在云计算平台运维中应用的思考与设计[J].经营管理者,2016(33):293.
论文作者:徐洪
论文发表刊物:《电力设备》2019年第10期
论文发表时间:2019/10/21
标签：数据论文; 故障论文; 技术论文; 电力论文; 异常论文; 用电量论文; 效用论文; 《电力设备》2019年第10期论文;